移动机器人作为机器人领域的重要组成部分,其理论和应用研究一直是研究热点课题并受到广泛关注。与工业机器人所处的结构化环境不同,移动机器人的应用环境具有复杂性、动态性和不确定性的特征,移动机器人的自主导航问题成为亟需解决的首要问题。另一方面,机器人抓取操作是机器人操作任务中的基本任务,机器人目标抓取研究也引起了众多学者的密切关注。因此,本研究以移动机器人为研究对象,从路径规划、路径跟踪以及目标物识别和抓取位置检测三个方面完成了对移动机器人自主导航和目标抓取的关键技术研究。(1)鉴于基本蝙蝠算法在平衡寻优精度和收敛速度方面存在困难从而限制了其解决全局路径规划的效率,提出了蝙蝠算法与强化学习相结合的混合蝙蝠算法对全局路径规划进行研究。蝙蝠算法的寻优性能由两个参数决定:响度衰减系数和脉冲发射率增强系数。在所提混合蝙蝠算法中,在训练阶段采用Q学习算法学习蝙蝠种群中每个个体的最优参数值,然后在执行阶段应用这些训练好的最优参数值完成全局路径规划任务,从而改善蝙蝠算法的寻优精度和收敛速度。在三种不同的仿真环境中将所提算法与蝙蝠算法和粒子群算法进行了对比分析。仿真结果表明,混合蝙蝠算法具有令人满意的全局路径规划效果,可以作为处理全局路径规划问题的重要选择。(2)在获得规划好的全局最优路径后,需要解决路径跟踪问题,其中,路径跟踪控制性能的好坏将直接决定移动机器人自主导航问题是否可以有效解决。首先建立了两轮差速驱动移动机器人的运动学及动力学模型,并采用反步法设计了移动机器人路径跟踪控制规律,以此来计算控制量的期望值;然后提出了基于灰狼算法优化的PID控制,采用灰狼优化算法对PID控制参数进行自整定以提高控制系统的动态性能;最后仿真和实验结果表明,利用提出的控制算法能够有效稳定地控制移动机器人完成路径跟踪任务。(3)将深度学习方法应用于移动机器人抓取操作任务中,提出了一种多任务卷积神经网络。该网络可以深度挖掘图像中与机器人抓取操作相关的视觉特征,能够同时完成目标物的识别和抓取位置检测任务。实验结果显示,目标物的识别和抓取位置检测两任务之间存在一定的内在联系,多任务网络相比单一任务网络具有更加优越的性能。将多任务卷积神经网络应用于实际移动机器人实验平台,该网络能够成功地对目标物进行识别和抓取位置检测并用以指导移动机器人完成目标抓取操作。